CN115565085B - 遥感图像密集时间序列数据构建方法 - Google Patents
遥感图像密集时间序列数据构建方法 Download PDFInfo
- Publication number
- CN115565085B CN115565085B CN202211546045.XA CN202211546045A CN115565085B CN 115565085 B CN115565085 B CN 115565085B CN 202211546045 A CN202211546045 A CN 202211546045A CN 115565085 B CN115565085 B CN 115565085B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- time
- image
- satellite remote
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机领域,提供一种遥感图像密集时间序列数据构建方法,该方法包括:对原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,确定出时相匹配的遥感影像对;将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;基于影像反射率对,得构建统计模型;将指定时相的获取时间最近的参考影像作为统计模型的输入,生成指定时相的原始卫星遥感影像;基于多个指定时相循环上述步骤,构建出遥感影像密集时间序列数据。本发明实施例提供的遥感图像密集时间序列数据构建方法实现有效地生成时间序列更加密集的遥感影像数据。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种遥感图像密集时间序列数据构建方法。
背景技术
遥感观测数据具有非常广泛的应用前景,已应用于国土资源调查、环境监测、城市建模等众多应用领域。然而,由于太阳同步轨道卫星的成像观测特性和大气条件等因素的影响,同一区域的大部分卫星观测只能获得一定时间周期的地球快照。每个传感器按照固定的时间周期获取影像,有时难以满足更加密集时间序列数据的应用需求。
目前构建密集型时间序列数据分为基于单一传感器的构建方法和多传感器融合的构建方法。
对于基于单一传感器的构建方法,主要为基于时间变量的时序数据构建方法。基于时间变量的时序重建方法主要包括Savitzky-Golay滤波模型和时序谐波分析模型(Harmonic Analysis of Time Series,HANTS)。SG滤波模型的主要目的是将滑动窗口中的数据进行加权滤波,然后使用最小二乘法求出高次多项式的系数,主要用于数据缺失情况的插值重构。而时序谐波分析模型(HANTS)可以有效利用时序图像中的时空特征,该模型的核心算法是快速傅里叶变换(Fast Fourier Transformation,FFT),从而实现对时序序列数据的重建。
对于多传感器融合的构建方法,一个经典的模型为时空自适应反射率融合模型(Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM)、以及该算法的后续变体增强型时空自适应反射率融合模型(Enhanced Spatial and Temporal AdaptiveReflectance Fusion Model,ESTARFM)、以及最新发展的基于虚拟影像对(Virtual ImagePair,VIP)的时空融合模型(Virtual Image Pair Spatial and Temporal Fusion,VIPSTF)。
其中,STARFM算法主要通过不同移动窗口对不同数据源的数据进行融合。在相同时相和位置的A、B影像中,A影像中一个像元的丰度和地表反射率可以表示B影像中一个像元的地表反射率。在其改进算法ESTARFM中,主要发展了根据不同传感器获得同区域影像之间的关联性对多源数据进行融合。VIPSTF模型的提出基于一种全新的虚拟影像对(VIP)的概念,VIP有助于降低已知时刻影像与预测时刻影像之间的差异性,相比原始影像对更接近于待预测时间点的影像,能有效降低增量估计过程的不确定性。因而VIPSTF的提出为提高时空融合性能提供了一种全新的视角,以有效提高时空融合精度,尤其是当待预测影像和已知影像在时间上相隔较远其优势更为明显。
发明内容
本发明提供一种遥感图像密集时间序列数据构建方法,旨在实现有效地生成时间序列更加密集的遥感影像数据。
本发明提供一种遥感图像密集时间序列数据构建方法,包括:
步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
步骤104:基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
在一实施例中,所述阈值天数是根据原始卫星遥感影像的获取时间确定的,具体包括:
若原始卫星遥感影像的获取时间为1至3月或7至9月时,则确定所述阈值天数为为2天;
若原始卫星遥感影像的获取时间为4至6月或10至12月时,则确定所述阈值天数为为5天。
所述基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对,包括:
对时相匹配的遥感影像对中地表覆盖类别面积比例小于1%的类别进行去除,得到目标遥感影像对;
按照不同类别的地表覆盖数据,并以局部窗口方式将所述目标遥感影像对进行分层采样,得到不同采样点的影像反射率对。
所述局部窗口方式是在参考卫星遥感影像上选择3*3窗口取出9个值,在原始卫星遥感影像取对应3*3窗口中心位置上的一个值;把参考卫星遥感影像取出的9个值作为9维的向量,与原始卫星遥感影像上取出的一个值,构成10维的影像反射率对。
所述统计模型是以预设算法为XGBoost算法构建的。
第二方面,本发明提供一种遥感图像密集时间序列数据构建装置,包括:
第一处理单元301,用于对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
第二处理单元302,用于将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
第三处理单元303,用于基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
第四处理单元304,用于基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
第五处理单元305,确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
第六处理单元306,基于多个指定时相循环执行第五处理单元305,构建出遥感影像密集时间序列数据。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述遥感图像密集时间序列数据构建方法。
第四方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序被所述处理器执行时实现第一方面所述遥感图像密集时间序列数据构建方法。
第五方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被所述处理器执行时实现第一方面所述遥感图像密集时间序列数据构建方法。
本发明提供的遥感图像密集时间序列数据构建方法,步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;步骤104:基于影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时相的获取时间最近的参考影像作为统计模型的输入,生成指定时相的原始卫星遥感影像;步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
在遥感图像密集时间序列数据构建的过程中,通过统计模型建立与其它同类型、重访周期更高的遥感图像之间的统计关系,实现密集时间序列数据的构建,从而实现了有效地生成时间序列更加密集的遥感影像数据,进而服务于地表覆盖调查与变化监测的应用需求。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的遥感图像密集时间序列数据构建方法的流程示意图;
图2是本发明提供的局部窗口采样示意图;
图3是本发明提供的遥感图像密集时间序列数据构建装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了遥感图像密集时间序列数据构建方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些数据下,可以以不同于此处的顺序完成所示出或描述的步骤。
参照图1,图1是本发明提供的遥感图像密集时间序列数据构建方法的流程示意图。本发明实施例提供的遥感图像密集时间序列数据构建方法包括:
步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
步骤104:基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
需要说明的是,本发明实施例以数据构建系统为执行主体举例。
数据构建系统对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,获取时间相差不大于阈值天数的影像对作为时相匹配的遥感影像对。
进一步,时间维数据筛选的筛选准则依据原始卫星遥感影像的获取时间决定,可以理解为阈值天数的计算是根据原始卫星遥感影像的获取时间决定,在一实施例中,获取时间可以为获取月份,因此,阈值天数的计算是根据原始卫星遥感影像的获取月份自适应调整的。
在一实施例中,若原始卫星遥感影像的获取时间为1至3月或7至9月时,则阈值天数为为2天。若原始卫星遥感影像的获取时间为4至6月或10至12月时,则阈值天数为为5天。
因此可以理解为,数据构建系统从原始卫星遥感影像时间序列和参考卫星遥感影像时间序列中,找出获取时间相匹配的影像对作为时相匹配的遥感影像对。具体为:数据构建系统首先对原始卫星遥感影像和参考卫星遥感影像依照获取时间分别进行排序。
其次,数据构建系统以原始卫星遥感影像的获取时间为基础,若确定原始卫星遥感影像的获取时间为1至3月份或者7至9月份,数据构建系统则查看是否有正负2天以内的参考卫星遥感影像。若确定存在有正负2天以内的参考卫星遥感影像,数据构建系统则将原始卫星遥感影像和参考卫星遥感影像构成时相匹配的遥感影像对。
若确定原始卫星遥感影像的获取时间为4至6月份或者10至12月份,数据构建系统则查看是否有正负5天以内的参考卫星遥感影像。若确定存在有正负5天以内的参考卫星遥感影像,数据构建系统则将原始卫星遥感影像和参考卫星遥感影像构成时相匹配的遥感影像对。
进一步地,数据构建系统对步骤101中得到的时相匹配的遥感影像对,进行影像的云以及阴影检测处理,其中,需要说明的是,云及阴影掩膜区域的数据不参与后续的处理,具体为:数据构建系统读取步骤101中获取到的时相匹配的遥感影像对中的质量标记波段,使用影像产品中自带的云及阴影掩膜产品,把可信度为100%的云及阴影区域标记出来,用于剔除后续的处理过程,在一实施例中,质量标记波段为Landsat影像中的QA波段,具体为:
数据构建系统读取步骤101中获取到的时相匹配的遥感影像对中的Landsat影像中的QA波段,其中,QA波段中会有不同可信度的云及阴影标记信息,因此,需要把QA波段中可信度为100%的云及阴影区域标记出来。
进一步地,数据构建系统对步骤101中得到的时相匹配的遥感影像对,获取不同采样点的影像反射率对。在一实施例中,数据构建系统对时相匹配的遥感影像对中地表覆盖类别面积比例小于1%的类别进行去除,得到目标遥感影像对。进一步地,数据构建系统按照不同类别的地表覆盖数据,并以局部窗口方式将目标遥感影像对进行分层采样,得到不同采样点的影像反射率对。
需要说明的是,对于面积比例小于1%的类别进行去除,是指根据地表覆盖类别数据,当某个类别占的比例过少时,则该区域不参与后续的分层采样。对于分层采样,是指按照地表覆盖类别数据中不同类别的多少比例,按其比例分配不同的地表覆盖区域采样点的数量。
进一步地,数据构建系统获取不同采样点的影像反射率对具体为:
首先,数据构建系统计算不同地表覆盖类别所占的比例,删除时相匹配的遥感影像对中面积比例小于1%的类别。其次,数据构建系统按照需要采样的样本点数量要求(如100万个),按照不同地表覆盖类别的比例,分配在不同地表覆盖区域采样点的数量。然后,数据构建系统以每个采样点的采样方式为局部窗口方式,在目标遥感影像对进行分层采样,得到不同采样点的影像反射率对。
在一实施例中,局部窗口方式,是指在参考卫星遥感影像上选择3*3窗口取出9个值,而在原始卫星遥感影像只是取其3*3窗口中心位置上的一个值。因此可以理解为,数据构建系统在参考卫星遥感影像上选择3*3窗口取出9个值,在原始卫星遥感影像取其3*3窗口中心位置上的一个值,把参考卫星遥感影像取出的9个值作为9维的向量,与原始卫星遥感影像上取出的一个值,构成10维的影像反射率对,得到一个影像反射率对。最后,数据构建系统完成所有采样点的采样,得到一组反射率数据对(如得到一个100万×10的向量)。
参照图2所示,图2是本发明提供的局部窗口采样示意图,参考卫星遥感影像上选择3*3窗口取出的9个值为A、B、C、D、E、F、G、H和I,原始卫星遥感影像取其3*3的9个值为a、b、c、d、e、f、g、h和i,因此,原始卫星遥感影像取其3*3窗口中心位置上的一个值为e,因此,构成10维的影像反射率对为A、B、C、D、E、F、G、H、I和e。
进一步地,数据构建系统基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型,具体为:
数据构建系统选用预设算法,把9维的参考卫星遥感影像上的值作为自变量,原始卫星遥感影像上的1维值作为因变量,使用集成树的方式建立二者之间的统计关系,待稳定后,得到统计模型。
在一实施例中,使用的预设算法为XGBoost算法,因此可以理解为,数据构建系统以XGBoost算法进行建模,待模型稳定后,得到两个不同传感器反射率之间的统计模型。
因此可以理解为,数据构建系统将步骤103得到的一组反射率数据对(如100万×10的向量)作为输入,以原始卫星遥感影像所对应的列作为因变量,参考卫星遥感影像的9维作为自变量,设置XGBoost模型参数,然后进行模型优化,模型优化稳定后,得到两个不同传感器反射率之间的统计模型。
进一步地,数据构建系统确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时相的获取时间最近的参考影像作为统计模型的输入,生成指定时相的原始卫星遥感影像。
进一步地,数据构建系统选择多个指定时相不断循环执行:从参考卫星遥感影像时间序列中搜索出,与指定时相的获取时间最近的参考影像作为统计模型的输入,生成指定时相的原始卫星遥感影像,构建出遥感影像密集时间序列数据。
本发明提供的遥感图像密集时间序列数据构建方法,步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;步骤104:基于影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时相的获取时间最近的参考影像作为统计模型的输入,生成指定时相的原始卫星遥感影像;步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
在遥感图像密集时间序列数据构建的过程中,通过统计模型建立与其它同类型、重访周期更高的遥感图像之间的统计关系,实现密集时间序列数据的构建,从而实现了有效地生成时间序列更加密集的遥感影像数据,进而服务于地表覆盖调查与变化监测的应用需求。
进一步地,本发明提供的遥感图像密集时间序列数据构建装置与本发明提供的遥感图像密集时间序列数据构建方法互对应参照。
如图3所示,图3是本发明提供的遥感图像密集时间序列数据构建装置的结构示意图,遥感图像密集时间序列数据构建装置包括:
第一处理单元301,用于对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
第二处理单元302,用于将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
第三处理单元303,用于基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
第四处理单元304,用于基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
第五处理单元305,用于确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
第六处理单元306,用于基于多个指定时相循环执行第五处理单元305,构建出遥感影像密集时间序列数据。
进一步地,第一处理单元301还用于:
若原始卫星遥感影像的获取时间为1至3月或7至9月时,则确定所述阈值天数为为2天;
若原始卫星遥感影像的获取时间为4至6月或10至12月时,则确定所述阈值天数为为5天。
进一步地,第三处理单元303还用于:
对时相匹配的遥感影像对中地表覆盖类别面积比例小于1%的类别进行去除,得到目标遥感影像对;
按照不同类别的地表覆盖数据,并以局部窗口方式将所述目标遥感影像对进行分层采样,得到不同采样点的影像反射率对。
进一步地,第三处理单元303还用于:
在参考卫星遥感影像上选择3*3窗口取出9个值,在原始卫星遥感影像取对应3*3窗口中心位置上的一个值;把参考卫星遥感影像取出的9个值作为9维的向量,与原始卫星遥感影像上取出的一个值,构成10维的影像反射率对。
本发明提供的遥感图像密集时间序列数据构建装置的具体实施例与上述遥感图像密集时间序列数据构建方法各实施例基本相同,在此不作赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行遥感图像密集时间序列数据构建方法,该方法包括:
步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
步骤104:基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的遥感图像密集时间序列数据构建方法,该方法包括:
步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
步骤104:基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
又一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的遥感图像密集时间序列数据构建方法,该方法包括:
步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
步骤104:基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时的相获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种遥感图像密集时间序列数据构建方法,其特征在于,包括以下步骤:
步骤101:对属于同一区域的原始卫星遥感影像时间序列和参考卫星遥感影像时间序列进行时间维数据筛选,筛选出时间相差不大于阈值天数的影像对确定为时相匹配的遥感影像对;
步骤102:将时相匹配的遥感影像对,进行影像的云以及阴影检测处理;
步骤103:基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对;
步骤104:基于所述影像反射率对,将原始卫星遥感影像的反射率作为因变量,参考卫星遥感影像的反射率作为自变量,以预设算法进行建模,得到统计模型;
步骤105:确定需要生成的指定时相,并从参考卫星遥感影像时间序列中搜索出,与指定时相的获取时间最近的参考影像作为所述统计模型的输入,生成指定时相的原始卫星遥感影像;
步骤106,基于多个指定时相循环执行步骤105,构建出遥感影像密集时间序列数据;
其中,所述基于时相匹配的遥感影像对,根据地表覆盖类别数据进行分层采样,获取不同采样点的影像反射率对,包括:
对时相匹配的遥感影像对中地表覆盖类别面积比例小于1%的类别进行去除,得到目标遥感影像对;
按照不同类别的地表覆盖数据,并以局部窗口方式将所述目标遥感影像对进行分层采样,得到不同采样点的影像反射率对;
所述局部窗口方式是在参考卫星遥感影像上选择3*3窗口取出9个值,在原始卫星遥感影像取对应3*3窗口中心位置上的一个值;把参考卫星遥感影像取出的9个值作为9维的向量,与原始卫星遥感影像上取出的一个值,构成10维的影像反射率对。
2.根据权利要求1所述的遥感图像密集时间序列数据构建方法,其特征在于,所述阈值天数是根据原始卫星遥感影像的获取时间确定的,具体包括:
若原始卫星遥感影像的获取时间为1至3月或7至9月时,则确定所述阈值天数为为2天;
若原始卫星遥感影像的获取时间为4至6月或10至12月时,则确定所述阈值天数为为5天。
3.根据权利要求1所述的遥感图像密集时间序列数据构建方法,其特征在于,所述统计模型是以预设算法为XGBoost算法构建的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546045.XA CN115565085B (zh) | 2022-12-05 | 2022-12-05 | 遥感图像密集时间序列数据构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546045.XA CN115565085B (zh) | 2022-12-05 | 2022-12-05 | 遥感图像密集时间序列数据构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565085A CN115565085A (zh) | 2023-01-03 |
CN115565085B true CN115565085B (zh) | 2023-03-17 |
Family
ID=84770098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546045.XA Active CN115565085B (zh) | 2022-12-05 | 2022-12-05 | 遥感图像密集时间序列数据构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565085B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018081043A1 (en) * | 2016-10-24 | 2018-05-03 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
CN106683059A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 夜间灯光数据序列构建方法及装置 |
CN106897707B (zh) * | 2017-03-02 | 2020-08-28 | 苏州中科天启遥感科技有限公司 | 基于多源中分的特征影像时间序列合成方法及装置 |
JP7229864B2 (ja) * | 2019-06-28 | 2023-02-28 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
CN110751727B (zh) * | 2019-10-30 | 2020-12-18 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
CN112598590B (zh) * | 2020-12-18 | 2022-08-12 | 河海大学 | 基于深度学习的光学遥感时间序列影像重建方法及系统 |
CN112966134B (zh) * | 2021-03-26 | 2022-06-28 | 北京亿耘科技有限公司 | 一种遥感影像数据处理方法、系统和存储介质 |
-
2022
- 2022-12-05 CN CN202211546045.XA patent/CN115565085B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115565085A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6743934B2 (ja) | 観測変数間の因果関係を推定するための方法、装置、およびシステム | |
CN111768411B (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
CN111369442B (zh) | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 | |
CN115293986A (zh) | 一种多时相遥感图像云区重建方法 | |
Li et al. | Online real-time trajectory analysis based on adaptive time interval clustering algorithm | |
Gudovskiy et al. | Explain to fix: A framework to interpret and correct DNN object detector predictions | |
CN115565085B (zh) | 遥感图像密集时间序列数据构建方法 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
Cresson et al. | Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images | |
CN111709438B (zh) | 一种异构传感器信息融合方法 | |
CN115225373B (zh) | 一种信息不完备条件下的网络空间安全态势表达方法及装置 | |
Kasturiwala et al. | Image superresolution technique: A novel approach for leaf diseased problems | |
CN114863235A (zh) | 一种异质遥感图像的融合方法 | |
Mahalakshmi et al. | Adaptive filter with type-2 fuzzy system and optimization-based kernel interpolation for satellite image denoising | |
Do et al. | Multi-target tracking with an adaptive δ-GLMB filter | |
Loch-Dehbi et al. | Stochastic reasoning for UAV supported reconstruction of 3D building models | |
Castellani et al. | Automatic selection of MRF control parameters by reactive tabu search | |
CN112001211A (zh) | 对象检测方法、装置、设备及计算机可读存储介质 | |
Knyazeva et al. | Analysis of the Solar magnetograms evolution using a spectral gap of critical nets | |
CN112967324B (zh) | 一种多假设的目标跟踪方法、装置、存储介质及电子设备 | |
CN118115767A (zh) | 一种基于二阶邻近引导的图像数据采样方法 | |
Moratuwage et al. | A moving window based approach to multi-scan multi-target tracking | |
CN113434821A (zh) | 一种分布式粒子m-h滤波方法及系统 | |
Choi et al. | Online segmented recursive least squares (OSRLS) | |
CN115984753A (zh) | 基于时空信息融合的翻越行为实时检测方法及相关组件 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |